在车辆导航中,惯性导航系统(Inertial Navigation System,INS)通常与全球定位系统(Global Positioning System,GPS)组合使用。这是因为GPS更新频率低,精度高,但易受环境因素影响。而INS是独立的系统,不受外部信息干扰,并且更新频率高,短时间内计算误差小,但位置误差随时间累积增大。因此两者可以实现互补。另外,INS由提供数据的惯性测量单元(Inertial Measurement Unit,IMU)和处理这些原始数据的计算机构成。众所周知,定位精度对于IMU的误差累积和GPS采样频率十分敏感。因此,大多数实际应用的导航系统都采用高成本的IMU和高GPS采样频率。一方面,高精度的IMU价格不菲,难以普及,另一方面,高GPS采样频率将导致过多的能源消耗和通信资源浪费。因此本文致力于低成本低功耗的高精度车辆导航研究,主要使用模型驱动和数据驱动两种方法。模型驱动方法应用经典的松耦合闭环GPS辅助INS标准卡尔曼滤波器对车辆位置和速度误差进行建模,并尝试降低GPS更新频率。数据驱动方法则是本文创新提出的一种基于深度学习的三维导航方法。具体地,该方法在水平方向上,使用两个多层前馈神经网络,分别对车辆的速度和方向加以纠正,而非对位置直接纠正。这样的学习方法在训练轨迹与测试轨迹不同时也可以适用。在垂直方向上,使用卡尔曼滤波器融合INS结果和气压计数据,对位置和速度进行建模。以上两种方法使用的测试数据来自于一款新的专门用于数据收集的智能手机应用程序,其中本文负责该应用程序服务器端(后台)部分的开发和维护。智能手机本身就集成了低成本IMU和GPS单元,同时智能手机中的IMU是商业领域中成本最低的,对应数据的精度也是最低的,符合本文低成本要求。另外,本文还开发一个网页操作平台用来显示当前车辆所在地图中的位置,并提供超速提示,实时天气等信息,实现算法(后端)和操作平台(前端)之间的稳定通信。最后,在香港中文大学(深圳)的校园里,使用通过合作开发的应用收集到的真实数据,对以上两种导航方法进行评估。实验结果表明:对于标准卡尔曼滤波器算法,当GPS更新间隔为1s时,位置误差为0.875m。但随着GPS更新间隔增加到15s时,位置误差达到了65.41m,无法实现车辆导航;对于本文提出的基于深度学习的三维导航方法,在水平方向,当GPS更新间隔为1s时,位置误差为0.756m。当GPS更新间隔为30s时,位置误差在8m左右。在垂直方向上,该方法获得了比GPS更加准确的海拔高度。除此之外,所提出的导航方法还表现出对变化轨迹的良好适应性。在实验过程中,所开发的网页操作平台稳定工作,无卡顿,可与算法无障碍交换数据。